全面了解数据中心绝热冷却系统

简介:

数据中心和高温并没有必然的关联,但是否过热要视情况而定。在不远的将来,数据中心的温度将维持在25至30摄氏度(77至86华氏度),实际上也有数据中心运行在ASHRAE(美国采暖、制冷、和空调工程师学会)建议的更高温度——高达35摄氏度(95华氏度)——在这种温度下,CRAC(计算机房空气调节器)负载并不高,却仍需浪费能源在数据中心内移动大量空气。

有很多处于高温气候环境下的数据中心外部温度往往超出了ASHRAE指导的可实施自由冷却的温度。但是,CRAC是这些高温气候区域数据中心的唯一选择吗?在投入更多金钱和维护力量到CRAC之前,不妨考虑一下绝热冷却。

平时仅使用自由空气冷却的位于温带或更凉爽区域的数据中心,在气温高峰期也能采用绝热冷却。在低维护和低能耗表现优于CRAC的冷却系统中,绝热冷却系统胜过自由冷却。

绝热冷却系统如何运作

绝热冷却,通常称为蒸发冷却或湿垫冷却,利用原本对自己不利的高温中蕴含的潜力来实现冷却。气体体积的变化使温度降低:当某种气体的体积增加时就会吸收热量。在理想状况下,从液体到气体的转换过程将伴随大量的热量转移;这就是数据中心绝热冷却系统的作用本质。

想象一下,一个放在小水池中的装有三氯甲烷(氯仿)的薄壁玻璃烧杯。实验者通过吸管向氯仿吹气,能使挥发性的氯仿蒸发并从周围的环境中带走热量——在我们的例子中,水的热量被吸收。如果蒸发速率足够高(提高从吸管吹入空气的速率),水甚至会结冰。

甚至舔一下你自己的手指然后吹气就可以感受到绝热冷却的效果:当你向手指吹气时,湿手指会感觉比干手指更冷。

数据中心内的绝热冷却

从本质上讲,CRAC空调系统也是一种绝热冷却系统:它使用机械泵将压缩气体变成液体形式、排出热量,然后让液体再次蒸发,冷却大量的空气。然而,在CRAC空调冷却系统的压缩阶段需要相对较高的能量输入,这使得CRAC系统比较昂贵。

绝热的冷却系统的成本非常便宜。位于炎热气候区域的人们,将一片吸水材料浸泡在水中,在室内悬挂成一排。由于水的蒸发带走了足够多的热量,住宅房间可以维持凉爽。这是数据中心绝热冷却系统的主要设计原理。

图1:要冷却一个没有CRAC系统的数据中心,绝热冷却系统依靠的是湿帘和空气流动。

要冷却数据中心,一个小功率的泵或重力给料系统持续不断地向一组具备巨大蒸发面积的纤维帘上喷水雾。一个小功率的风扇配合风道迫使空气通过这些湿帘。空气流穿过湿帘的过程中,部分水被蒸发,结果导致空气流出一侧的空气温度会比入口侧冷得多。(见图1)。

在某些气候条件下,绝热冷却系统可能会导致湿度增加,超出ASHRAE指导的80%湿度极限。一种快速纠正措施——辅助干燥过滤器或低功耗或无功耗除湿措施——可以确保数据中心湿度符合标准值。

利用管道和低能耗空气泵将冷空气精确地吹到IT设备上,数据中心可以降低绝热冷却的空气用量,将冷却设备的体积控制在可管理的尺度之内。


作者:何妍 

来源:51CTO

相关文章
|
5月前
|
机器学习/深度学习 存储 传感器
利用机器学习优化数据中心冷却系统
【5月更文挑战第30天】 在数据中心的运行中,冷却系统的能效对整体运营成本有着显著的影响。随着人工智能技术的进步,特别是机器学习(ML)的发展,出现了新的机会来优化数据中心的能源使用效率。本文将探讨如何通过机器学习模型预测数据中心的热负荷,并据此动态调整冷却策略,以实现能耗最小化。我们将介绍所采用的数据集、预处理方法、模型选择、训练过程以及最终实施的策略。结果表明,基于机器学习的预测系统能够有效降低数据中心的能源消耗,并为可持续运营提供支持。
|
5月前
|
机器学习/深度学习 监控 算法
利用机器学习优化数据中心冷却系统
【5月更文挑战第30天】在数据中心的运营成本中,冷却系统占据了相当一部分。为了提高能效和降低成本,本文提出了一种基于机器学习的方法来优化数据中心的冷却系统。通过对大量历史数据的分析和挖掘,我们设计了一个预测模型,用于实时监控和调整数据中心的温度。实验结果表明,该方法可以有效降低能耗,提高数据中心的运行效率。
|
5月前
|
存储 大数据 数据中心
探索现代数据中心的冷却革新
【5月更文挑战第29天】在信息技术不断进步的今天,数据中心作为计算和存储的核心枢纽,其稳定性与效率至关重要。随着处理能力的提升,散热问题日益凸显,成为限制数据中心性能的关键因素之一。本文将深入探讨现代数据中心面临的热管理挑战,并分享一系列前沿的冷却技术与实践,旨在为构建更为高效、环保的计算环境提供参考。
|
5月前
|
机器学习/深度学习 数据采集 存储
提升数据中心能效:采用机器学习优化冷却系统
【5月更文挑战第28天】在数据中心的运营成本中,冷却系统的能源消耗占据了显著比例。随着能源价格的不断上涨和可持续发展的需求日益增长,如何降低这一开支成为业界关注的焦点。本文将探讨利用机器学习技术对数据中心冷却系统进行优化的方法。通过分析历史数据和实时监控,机器学习模型能够预测冷却需求并动态调整系统设置,以实现最佳的能效比。这种方法不仅能减少能源消耗,还能提高系统的可靠性和稳定性。
|
5月前
|
机器学习/深度学习 算法 数据中心
利用机器学习优化数据中心冷却系统
【5月更文挑战第29天】 在数据中心的运营成本中,冷却系统占据了显著的比重。随着能源价格的不断攀升以及可持续发展的需求日益增加,开发高效、节能的冷却技术变得至关重要。本文将探讨如何应用机器学习算法来优化数据中心的冷却系统性能。通过对历史温度和负载数据的分析,我们训练了一个预测模型来动态调整冷却需求,实现按需冷却。结果显示,使用机器学习方法可以有效减少能耗,同时保持适宜的操作环境。
|
5月前
|
机器学习/深度学习 敏捷开发 测试技术
深入理解自动化测试:框架选择与实践挑战利用机器学习技术优化数据中心冷却系统
【5月更文挑战第27天】 在现代软件开发周期中,自动化测试已成为确保产品质量和加快市场投放的关键步骤。本文深入探讨了自动化测试的框架选择问题,并剖析了实施过程中面临的挑战及其解决方案。通过比较不同测试框架的特点,我们旨在为读者提供一套明确的指导原则,帮助他们根据项目需求做出恰当的技术决策。同时,文中还分享了实际案例和最佳实践,以期帮助开发团队克服实施自动化测试时可能遇到的障碍。
|
5月前
|
存储 传感器 监控
探索现代数据中心的冷却技术革新
【4月更文挑战第23天】 在信息技术迅猛发展的今天,数据中心作为计算和存储的核心枢纽,其稳定性和效率至关重要。然而,随着处理能力的增强,设备发热量急剧上升,有效的冷却方案成为确保数据中心持续运行的关键因素。本文将深入分析当前数据中心面临的热管理挑战,并探讨几种前沿的冷却技术,包括液冷系统、热管技术和环境自适应控制策略。通过比较不同技术的优缺点,我们旨在为数据中心管理者提供实用的冷却解决方案参考。
|
2月前
|
机器学习/深度学习 存储 监控
利用机器学习技术优化数据中心能效
【7月更文挑战第36天】在数据中心管理和运营中,能源效率已成为关键性能指标之一。随着能源成本的不断上升以及环境保护意识的增强,开发智能化、自动化的解决方案以降低能耗和提高能源利用率变得尤为重要。本文探讨了如何应用机器学习技术对数据中心的能源消耗进行建模、预测和优化,提出了一个基于机器学习的框架来动态调整资源分配和工作负载管理,以达到节能的目的。通过实验验证,该框架能够有效减少数据中心的能耗,同时保持服务质量。
|
5月前
|
存储 大数据 数据处理
探索现代数据中心的冷却技术
【5月更文挑战第25天】 在信息技术迅猛发展的今天,数据中心作为其核心基础设施之一,承载了巨大的数据处理需求。随着服务器密度的增加和计算能力的提升,数据中心的能耗问题尤其是冷却系统的能效问题日益凸显。本文将深入探讨现代数据中心所采用的高效冷却技术,包括液冷解决方案、热管技术和环境自适应控制等,旨在为数据中心的绿色节能提供参考和启示。